Quantum computing lovar att förbättra vår förmåga att utföra några kritiska beräkningsuppgifter i framtiden. Maskininlärning förändrar hur vi använder datorer i vår nuvarande vardag och i vetenskap. Det är naturligt att söka samband mellan dessa två framväxande metoder för beräkning, i hopp om att skörda flera fördelar. Sökandet efter anslutande länkar har precis börjat, men vi ser redan mycket potential i detta vilda, outforskat territorium. Vi presenterar här två nya forskningsartiklar:"Exakt mätning av kvantobserverbara med neurala nätverksestimatörer, "publicerad i Physical Review Research, och "Fermioniska neurala nätverkstillstånd för ab-initio elektronisk struktur, "publicerad i Naturkommunikation .

Tämja vågfunktionen

I dag, förutsägelsen av elektroniska strukturegenskaper för molekyler och material tros vara en av de kortaste vägarna till kvantfördel.

Simulera kvantmekanik, å andra sidan, är en helt ny applikation för det skarpaste verktyget för maskininlärning:neurala nätverk. Endast under de senaste åren har neurala nätverk använts för att klassificera faser av kvantämne eller som variationerande ansatz för att interagera många kroppssystem.

Att representera kvantvågsfunktioner är något som både kvantdatorer och neurala nätverk strävar efter att göra. Denna gemensamma grund kan användas som utgångspunkt för utforskning av möjliga anslutningar. Varje tillvägagångssätt har sina fördelar, och dess svaga punkter.

Vikten av att vara exakt

Variationskvantum eigensolver (VQE), tillsammans med andra lågdjupalgoritmer för elektronisk struktur, utnyttjar lagring och manipulation av kvanttillstånd för att hämta mark- och upphetsade tillståndsegenskaper hos kvantsystem av intresse. Att göra det, för molekylära system, vi måste mäta förväntningsvärdet för Hamiltonianska operatörer, som representerar molekylenergier. Vi måste också göra det mycket exakt:en mätning med stora slumpmässiga fluktuationer skulle göra hela kvantalgoritmen oanvändbar för praktiska ändamål. Som det visar sig, kvantdatorer är inte särskilt bra på den här uppgiften. Mer specifikt, antalet mätningar för att uppnå tillräcklig precision för applikationer som skulle visa kvantfördel är oöverkomlig för nuvarande teknik.

I PRR:s "Exakt mätning av kvantobservablar med neurala nätverksestimatörer, "ett samarbete med två forskare från Flatiron Institute, Giacomo Torlai och Giuseppe Carleo, vi använde neurala nätverkstekniker för kvantberäkning för mer exakta kemisimuleringar. Tekniken är baserad på utbildning av ett neuralt nätverk, med mätdata samlade på en kvantdator. En gång utbildad, det neurala nätverket kodar för en partiell representation av kvanttillståndet, vilket är tillräckligt bra för att återvinna molekylära energier med extrem precision.

En kvantdator, integrerad med vår nya neuronella nätverksestimatör, kombinerar fördelarna med de två metoderna.

En kvantdator, integrerad med vår nya neuronella nätverksestimatör, kombinerar fördelarna med de två metoderna. Medan en valbar kvantkrets utförs, vi utnyttjar kraften hos kvantdatorer för att störa tillstånd över ett exponentiellt växande Hilbert-utrymme. Efter att kvantinterferensprocessen har fungerat, vi får en begränsad samling mätningar. Sedan kan ett klassiskt verktyg - det neurala nätverket - använda denna begränsade mängd data för att fortfarande effektivt representera partiell information om ett kvanttillstånd, till exempel dess simulerade energi.

Denna överföring av data från en kvantprocessor till ett klassiskt nätverk lämnar oss med den stora frågan:

Hur bra är neurala nätverk för att fånga kvantkorrelationerna i en ändlig mätdataset, genererade provtagningsmolekylära vågfunktioner?

Verktygslåda för kvantberäkning för beräkningsvetare

För att svara på denna fråga, vi var tvungna att tänka på hur neuralt nätverk kunde emulera fermionisk materia. Neurala nätverk hade hittills använts för simulering av spinngitter och problem med kontinuerligt utrymme. Att lösa fermioniska modeller med neuralt nätverk förblev en svårfångad uppgift. För att hitta en väg runt det, vi undersökte hur molekyler simuleras på kvantdatorer.

Vi använde kodningar av fermioniska frihetsgrader för att qubitna sådana, som är samma kodningar som används vid molekylära simuleringar på kvantdatorer, som i variationsalgoritmer. Med dessa kartläggningar, tillgänglig på Qiskit Aqua, vi har definierat fermioniska neurala nätverkstillstånd. Vi testade dem på en klassisk dator, mot molekylära grundtillstånd, som är kvantobjekt av praktiskt intresse för både kvant- och klassiska beräkningar.

I Nature Communications -artikeln från maj, 2020, skriven med Kenny Choo (University of Zurich) och Giuseppe Carleo (Flatiron Institute), vi har visat att grunda neurala nätverk, såsom begränsade Boltzmann -maskiner, kan fånga upp markenergier i små molekylära system, med variationer i Monte Carlo -tekniker.

Resultaten av detta arbete påverkar både kvant- och klassisk beräkning. Faktiskt, å ena sidan, vårt arbete tyder på att vi säkert kan träna neurala nätverk på kvantdata från molekylära system. Å andra sidan, vi har visat att kvantberäkningsverktyg, såsom fermion-till-qubit-kodningar, kan användas i samband med klassiska beräkningstekniker.

Dessa länkar kommer att ytterligare stärka ömsesidiga interaktioner mellan den klassiska beräkningsvetenskapen och kvantberäkningssamhällena. För kvantberäkning, det kan innebära att framtida applikationer i kvantsimuleringsutrymmet alltmer kommer att dra nytta av bearbetning av kvantdata med maskininlärningstekniker. För beräkningsfysik och kemi, det är dags att börja titta på vad som kan läras av kvantberäkningsalgoritmer.